游戏增长的下一个十年：从人力驱动，到AI Agent驱动

Hello 大家好，

最近这两天被各种模型卷麻了，今天随便写点。

前两天去听了一个叫Agentic Growth 全球泛娱乐行业峰会，还挺有意思的。

因为平时大大小小的展会也参加不少了，但是确实是第一次听到把我所熟悉的Agent 放到娱乐游戏行业里。

作为主办方的Thinking AI 给这个峰会取了一个非常有逼格的主题，

让增长自进化 。

什么意思？

我自己的一个理解是，

过去十年，游戏行业的竞争，本质上是一场关于效率的竞争。 比的是谁能更快找到用户，谁能更快迭代产品，谁能更快验证市场，谁就更有机会赢得增长。

于是，我们看到各大游戏公司的增长体系逐渐形成了一套成熟的方法论：

数据团队来分析用户行为；运营团队设计活动；投放团队测试素材；研发团队持续优化版本。

大量的人力、经验和流程，共同支撑起了一款产品从上线到长期运营的生命周期。 

仿佛只要肯铺人上去，一款产品怎么样都能做出来上线。

但今天，在AI的大力发展下，这套逻辑其实已经不怎么行的通了。

一个是因为流量的红利逐渐消退，产品获客的成本只增不涨；

还有一个是，随着AI的不断发展，简单的产品其实大家都能做，复杂、难的产品虽然能体现出你的专业性，但是这也导致产品会越做越复杂，越做越臃肿。

那这时候我们肯定就会想，那怎么办？ 这也不行那也不行的，该怎么破？

Thinking AI 给出了自己的答案，Agentic Engine，一款企业级的AI Agent平台。

它可以帮企业创建、管理和协同多个AI agent ，让 AI 从辅助工具升级为能够感知、决策和执行的智能业务团队。

举一个我看到的例子，来说说它是如何工作的。

比如一个游戏新版本上线之后。

对任何一个成熟的游戏公司来说，版本上线可以说只是开始。

真正需要解决的问题还有很多，比如这个版本玩家到底喜不喜欢，哪个设计提升了留存，哪个环节导致了用户流失？哪些反馈真正影响了用户体验。

这些工作要是放在以前，绝对够几个团队一块儿肝上几个月了。 但问题是，游戏每天产生的数据越来越多，玩家反馈越来越复杂，单纯靠人工已经很难做到实时分析了。

这时候就可以引入Agentic Engine，来让整个事情变得不太一样。

它可以自动生成埋点方案，持续感知游戏中的数据变化，结合玩家反馈，帮助团队快速定位版本中的体验问题。

这个埋点代码也不需要你手写，Agentic Engine 会自动帮你做好，即时生效。

玩家的每个动作都会收到反馈，进行校验，然后帮你直接给玩家进行分层，一键生成多维报表

最后还能根据玩家人群画像生成策略矩阵，演变成各种可以执行的分支流程。

简单来说，

过去在游戏行业的这一套流程是：

玩家反馈问题 → 人工收集 → 数据分析 → 团队讨论 → 制定方案。

现在有了Agentic Engine 之后，就变成：

玩家遇到问题 → Agent自动分析 → 找到关键影响因素 → 给出优化方向。

它其实帮团队解决了三个问题，

第一个是定位 ，到底发生了什么？

过去，一个版本上线之后，团队可能会收到大量反馈：“这个玩法不好玩”、“这个任务太难了。”、“最近流失用户变多了。”等等

但这些反馈往往是碎片化的。

运营看到的是用户评论；数据团队看到的是指标变化；策划看到的是产品体验。

不同角色看到的是不同的信息。

真正困难的地方是人没有办法把这些分散的信息连接起来，因为不同的人有不同的视角。

而 Agentic Engine 的视角只有一个，站在了一个更高层次的维度。

它可以把用户反馈、行为数据、版本变化等信息结合起来，帮助团队快速定位，问题到底发生在哪个环节。

第二个是分析，到底为什么发生？

找到问题只是第一步。

更困难的是理解问题背后的原因。

比如：发现某个版本上线后，7日留存下降。

过去团队可能需要花大量时间：拆用户路径、看行为数据、分析不同群体差异、讨论可能原因。

但很多时候，即使发现了现象，也很难快速找到真正的影响因素。

Agentic Engine 的价值在于，它可以帮助团队从看到结果，进一步走向理解原因。

它会尝试回答：哪些用户下降最明显、他们在哪个环节离开、哪个改动最可能影响了体验？

第三个是，下一步该怎么做？ 

过去分析结束之后，最终还是需要团队基于经验制定优化方案。

但在 Agentic Engine里，AI 也可以成为决策辅助者。

它可以根据发现的问题，帮助团队提出更深一步的方案。

当然，最终的决策依然由人完成。

但区别在于：

过去团队花大量时间寻找问题。

未来团队可以把更多精力放在如何做出更好的产品决策。

再比如游戏行业里的增长投放场景。

过去游戏行业是一个买量的时代，投放团队需要不断测试素材，去投放。典型的工作流程是

做一个素材，投出去，然后看数据，数据不好的话再调整。

这是一个高度依赖经验的过程。

但随着素材数量越来越多，人很难快速理解所有变化。

于是，我们可以用Agentic Engine 来打造一个素材管理的Agent。

它可以帮助团队分析不同素材的表现，理解哪些内容更容易触达用户，以及下一轮优化方向。

我记得两三年前吧，那个时候Agent 还没这么火，我们说AI 是一个助手。它帮你写代码，帮你生成内容，帮你整理资料。

但到今时今日，好像我们都不这么说了。

我们认为Agent 是一支新的数字团队。一个 Agent 负责分析。一个 Agent 负责运营。一个 Agent 负责增长。

多个 Agent 之间协同完成复杂任务。

而人的角色，也会从过去的执行者，逐渐变成决定最终方向的人。

这也是为什么我觉得 Agentic Growth 这个概念挺有意思的。

它把关注点放在了整个业务模式的增长上。

当企业拥有了一支AI Agent团队之后，整个业务增长模式会不会发生变化。

过去的增长依赖更多的人、更长的时间、更复杂的流程。

未来增长应该依赖一个能够持续感知、判断、行动和优化的系统。

这也是为什么企业级 Agent 平台很重要。

因为企业需要的是一套能够连接数据、业务流程和执行能力的系统。

而这可能也是 ThinkingAI 做 Agentic Engine 想探索的方向：

让每一家企业，都拥有自己的 AI Agent 团队 。

也许未来几年，我们会看到越来越多这样的公司出现：

员工数量没有增加太多，但拥有越来越多的 AI Agent。

那时候真正决定竞争力的，是你拥有多少个能够一起工作的 AI 员工。

文章来自于"BubbleBrain"，作者 "Bubble"。